memprof 技术文档
本文档将详细介绍如何安装、使用 memprof 项目以及如何利用其 API 进行内存分析。
1. 安装指南
依赖关系
memprof 扩展依赖于 libjudy 和 sys/queue.h。
- 在基于 Debian 的发行版上,可以使用以下命令安装依赖:
apt install libjudy-dev - 在 Alpine 发行版上,可以使用以下命令安装依赖:
apk add judy-dev bsd-compat-headers - 在 MacOS 上,可以使用以下命令安装依赖:
brew install traildb/judy/judy
使用 PECL 安装
确保安装了上述依赖,然后使用以下命令安装 memprof:
pecl install memprof
在 MacOS 上,可以使用以下命令安装:
JUDY_DIR=$(brew --prefix traildb/judy/judy) pecl install memprof
手动安装
确保安装了上述依赖,然后下载源代码并在源代码目录中运行以下命令:
phpize
./configure
make
make install
如果 libjudy 安装在非标准路径(不是 /usr 或 /usr/local),可以在 configure 命令中指定路径:
./configure --with-judy-dir=/opt/homebrew/Cellar/judy/1.0.5
在 Arch Linux 上安装
Arch Linux 用户可以选择安装非官方的 php-memprof 包,使用 makepkg 或他们的首选 AUR 辅助工具。例如,如果使用 yay:
yay -S php-memprof
2. 项目的使用说明
memprof 扩展可以用于跟踪和分析 PHP 程序中的内存分配和释放,帮助查找内存泄漏的源头。
加载扩展
可以在命令行上为单个脚本加载扩展:
php -dextension=memprof.so script.php
或者永久性地,在 php.ini 文件中加载:
extension=memprof.so
当不进行内存分析时,扩展没有性能开销,因此在开发环境中可以默认加载。
使用示例
最简单的使用 memprof 的方法是让它在程序内存超出限制时自动保存内存分析文件。
步骤 1:在 dump_on_limit 模式下启用内存分析
在请求启动时,如果以下条件之一为真,将启用 dump_on_limit 模式的内存分析:
- 环境变量
MEMPROF_PROFILE的值为dump_on_limit $_GET["MEMPROF_PROFILE"]的值为dump_on_limit$_POST["MEMPROF_PROFILE"]的值为dump_on_limit
对于命令行脚本,可以设置环境变量:
MEMPROF_PROFILE=dump_on_limit php test.php
对于 Web 脚本,可以设置 $_GET 变量:
curl http://127.0.0.1/test.php?MEMPROF_PROFILE=dump_on_limit
或者 $_POST 变量:
curl -d MEMPROF_PROFILE=dump_on_limit http://127.0.0.1/test.php
步骤 2:转储内存分析文件
在此模式下,如果程序超出内存限制(当 PHP 触发类似 "Fatal error: Allowed memory size of 15728640 bytes exhausted (tried to allocate 1024 bytes)" 的错误时),memprof 会自动保存分析文件。
默认情况下,分析文件保存在 /tmp 或 C:\Windows\Temp 目录下,文件名为 memprof.callgrind.*。
步骤 3:可视化内存分析结果
推荐使用 Kcachegrind(Linux)或 Qcachegrind(MacOS、Windows)来可视化结果。Google Perftools 也是支持的。请参阅 memprof_dump_callgrind() 和相关函数的文档。
3. 项目 API 使用文档
以下是一些常用的 memprof API 函数及其用途:
memprof_enabled()
返回内存分析是否当前启用。
memprof_enabled_flags()
返回内存分析是否启用以及启用了哪些分析特性。
memprof_dump_callgrind(resource $stream)
将当前分析结果以 callgrind 格式转储到指定的文件流。
<?php
memprof_dump_callgrind(fopen("output", "w"));
memprof_dump_pprof(resource $stream)
将当前分析结果以 pprof 格式转储到指定的文件流。
<?php
memprof_dump_pprof(fopen("profile.heap", "w"));
memprof_dump_array()
返回表示当前分析结果的数组。
<?php
$dump = memprof_dump_array();
4. 项目安装方式
memprof 项目可以通过以下方式安装:
- 使用 PECL 命令行工具安装。
- 手动下载源代码并进行编译安装。
- 在 Arch Linux 上使用 AUR 包进行安装。
请按照上述 "安装指南" 部分中的详细步骤进行操作。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00